# 概率密度估计：参数方法、直方图、核密度与 K 近邻

> 来源：https://deeplearning.bnuai.com/demos/density-estimation ｜ 作者：唐志清（北京师范大学） ｜ 更新：2026-11-01 ｜ 内容依据邱锡鹏《神经网络与深度学习》（https://nndl.ai/）及作者公开课件

> （此处为交互演示，请在网页中使用：https://deeplearning.bnuai.com/demos/density-estimation）

## 观察要点

1. 参数方法依赖分布形式的假设，假设错误时数据再多也拟合不好。
2. 核密度估计的带宽、直方图的箱数、K 近邻的 K 都在控制平滑程度。
3. 用独立测试集上的对数似然来选择平滑参数。

相关章节：[第 9 章　无监督学习](https://deeplearning.bnuai.com/chapters/09-unsupervised-learning)。